En ny algoritm gör det enklare och mer exakt att tolka resultaten av kryo-elektronmikroskopikartor, hjälpa forskare att fastställa proteinstrukturer och potentiellt skapa läkemedel som blockerar deras funktioner.

Kryo-elektronmikroskopi, eller cryo-EM, använder elektronstrålar för att få 3D-bilder av biomolekylära strukturer. Användningen av denna teknik har skjutit i höjden de senaste åren på grund av tekniska framsteg, men när cryo-EM får fart på fältet, ytterligare verktyg behövs för att tolka bilderna som den producerar.

Slutprodukten av cryo-EM är en karta över tätheten av atomer i biologiska molekyler, inklusive proteiner och nukleotider. För att få den detaljnivå de verkligen behöver, forskare måste identifiera atom- eller aminosyrarestpositioner i en karta, vilket kräver specialiserad datoranalys. Det finns program som gör detta, men de är inte alltid exakta eller lätta att använda, sa Daisuke Kihara, professor i biologiska vetenskaper och datavetenskap vid Purdue University.

Kihara och en postdoktor i hans labb, Genki Terashi, har skapat en helautomatisk algoritm för att tolka kartor över proteiner med lägre än idealisk upplösning – runt 4 till 5 ångström (Å, en längdenhet för att uttrycka storleken på atomer och molekyler). Många liknande verktyg utvecklades för mer detaljerade bilder eller röntgenkristallografi, som inte fungerar lika bra för lågupplösta cryo-EM-bilder.

Kiharas program, MAINMAST, identifierar lokala densitetspunkter i en given EM-karta och kopplar dem till en trädstruktur – som att koppla ihop prickarna. Algoritmen prövar olika parametrar för att definiera täthetspunkter och grenar i ett träd.

"Med denna metod, du behöver inte ställa in parametrarna från 1 till 1,2 till 1,5, eller behöver någon expertkunskap om hur man gör detta. Vanligtvis, när människor använder den här typen av programvara, det är kritiskt, " sa Kihara. "Denna algoritm har de olika parametrarna redan inuti, så att användarna inte behöver göra annat än att vänta."

De genererade träden rankas sedan efter en poäng som utvärderar deras likhet med densiteten för varje aminosyra i proteinsekvensen. De 500 bästa lägena är helt rekonstruerade och förfinade.

Det finns andra metoder för att tolka cryo-EM-kartor, men många ser liknande ut, tidigare lösta proteinstrukturer som utgångspunkt.

"Om strukturer av liknande proteiner redan har lösts, det här är ett självklart ställe att börja eftersom den nya strukturen förmodligen ser likadan ut, " sa Kihara. "Referensbaserade metoder kan vara korrekta, men om du löser en helt ny struktur, du kan inte använda dem eftersom du inte har något att börja med."

MAINMAST förlitar sig inte på tidigare lösta strukturer för att komma igång – det är ett helt "de novo" kött och, Således, modellerar nya strukturer med endast information från EM-densitetskartor.

MAINMAST tilldelar konfidensnivåer till olika delar av kartan, som talar om för användarna vilka regioner som sannolikt är korrekta och vilka som bör kontrolleras manuellt. Om forskaren känner till biologisk information, de kan visuellt se vilka strukturer som överensstämmer med deras kunskap om proteinet, sa Kihara.

Å andra sidan, de novo-metoden innebär vissa utmaningar. Ibland behöver MAINMASTs strukturer lite mer förfining, eftersom programmet inte vet hur proteinstrukturer egentligen ser ut. Och om en kryo-EM-karta är lågupplöst och inte har densitet i vissa områden, MAINMAST kan inte fylla de delarna. Kihara hoppas kunna rätta till dessa brister i framtiden, han sa.

På EM-densitetskartor mellan 2,6 och 4,8 Å upplösning, MAINMAST presterade betydligt bättre än två andra befintliga de novo-metoder. Koden är tillgänglig nu, och Kiharas team arbetar för att göra pluginet mer användarvänligt.

Resultaten publicerades i tidskriften Naturkommunikation .